保存基于GPU执行模型训练生成的数据文件

需要在GPU上执行如下操作。

根据安装Pytorch比对的Dump数据文件环境完成Python环境安装，其中“修改编译选项”步骤中配置为GPU版本的修改。

进入Python训练模型路径下修改训练脚本（xx.py文件，如：main.py），修改方式如下：

打开编辑训练脚本，在train函数的for循环下添加指令：

with torch.utils.dumper(enabled=True, use_dump=True, use_load=False, dump_path="/home/resnet50_dump.h5") as dump:

以上指令选择将对应训练函数包含在内则表示提取对应训练步骤生成的数据，须根据实际情况包含对应的训练步骤脚本，示例如下：

def train(train_loader, model, criterion, optimizer, epoch, args):
    batch_time = AverageMeter('Time', ':6.3f')
    data_time = AverageMeter('Data', ':6.3f')
    losses = AverageMeter('Loss', ':.4e')
    top1 = AverageMeter('Acc@1', ':6.2f')
    top5 = AverageMeter('Acc@5', ':6.2f')
    progress = ProgressMeter(
        len(train_loader),
        [batch_time, data_time, losses, top1, top5],
        prefix="Epoch: [{}]".format(epoch))

    # switch to train mode
    model.train()

    end = time.time()
    for i, (images, target) in enumerate(train_loader):
        # measure data loading time
        data_time.update(time.time() - end)

        if args.gpu is not None:
            images = images.cuda(args.gpu, non_blocking=True)
        if torch.cuda.is_available():
            target = target.cuda(args.gpu, non_blocking=True)

        with torch.utils.dumper(enabled=True, use_dump=True, use_load=False, dump_path="/home/resnet50_dump.h5") as dump:
                # compute output
                output = model(images)
                loss = criterion(output, target)

                # measure accuracy and record loss
                acc1, acc5 = accuracy(output, target, topk=(1, 5))
                losses.update(loss.item(), images.size(0))
                top1.update(acc1[0], images.size(0))
                top5.update(acc5[0], images.size(0))

                # compute gradient and do SGD step
                optimizer.zero_grad()
                loss.backward()
        optimizer.step()

        # measure elapsed time
        batch_time.update(time.time() - end)
        end = time.time()

        if i % args.print_freq == 0:
            progress.display(i)

训练脚本中的运行设备字段应对应设备GPU。

完成脚本修改后执行训练。
以train_full_1p.sh启动脚本为例执行命令如下：
```
bash $PATH/train_full_1p.sh --data_path=/home/dataset
```
其中$PATH为train_full_1p.sh文件的的路径。
训练完成后生成基于GPU运行生成的PyTorch训练网络dump数据文件（.h5文件）。